Economic Evaluation of Waterflood Using Regression and Classification Algorithms
Notice bibliographique
Résumé
Three regression algorithms and three classification algorithms have been applied to forecast economics of waterflood. The three regression algorithms are the regression of support vector machine ( R -SVM), the back-propagation neural network (BPNN), and the multiple regression analysis (MRA), while the three classification algorithms are the classification of support vector machine ( C -SVM), the naive Bayesian (NBAY), and the Bayesian successive discrimination (BAYSD). In general, when all these six algorithms are used to solve a real-world problem, they often produce different solution accuracies. In this paper, the solution accuracy is expressed with the total mean absolute relative residual for all samples, R (%), and it is proposed that an algorithm is applicable if R (%) ≤ 10 . A case study at the Nebraska Panhandle has been used to validate the proposed approach. This case study consists of two problems: regression and classification. The only difference between these two problems is the predicted variable in regression problem is real number, while the predicted variable in classification problem is integer number. And the integer number is determined from the real number by using proposed convertion rules. For the regression problem, R -SVM, BPNN and MRA are inapplicable because their R (%) values are 140, 51 and 293, respectively. For the classification problem, however, C -SVM, NBAY and BAYSD are all applicable since their R (%) values are all 0. From the case study, it is concluded that: a) For classification problems, the preferable algorithm is C -SVM, NBAY, or BAYSD, and BAYSD can also serve as a promising dimension-reduction tool; b) for regression problems, the preferable algorithm is BPNN, but MRA can serve as a promising dimension-reduction tool only when the studied problems are linear; c) if BPNN is inapplicable for a regression problem because its R (%) > 10, it is proposed to change this problem from regression to classification by reasonable conversion rules, then apply C -SVM, NBAY, or BAYSD; and d) comparing with C -SVM, BAYSD is conditionally better than C -SVM. Key words : Regression; Classification; Solution accuracy; Conversion rules; Dimensionality reduction; Nebraska Panhandle
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».